Zetroem Vol 06. No 01 Tahun 2024 ISSN (Online) : 2656-081X
Zetroem Vol 06. No 01 Tahun 2024 18
Penerapan JST Untuk Prakiraan Cuaca Di Wilayah Kota Blitar Menggunakan Metode Algoritma Hopfield
1Moch. Fachrul Irfandi
1 Teknik Informatika, Universitas Islam Balitar, Blitar, Jawa Timur
Abstract - Weather forecasting is the application of science and technology to estimate a state of the atmosphere in the future and will occur in a certain area. In this study, weather forecasting in the Blitar City area uses the Hopfield Algorithm Artificial Neural Network which can be used to identify patterns of numbers and letters using classification techniques. The weather criteria used in this method are wind speed, temperature, humidity and air pressure. The collected morning, afternoon and evening data are classified according to the expected target output, i.e. rainy, sunny and cloudy. From the collection of 21 data that was carried out, it resulted in a match with the target weather of 76% accuracy and an error rate of 24%.
Keywords — Artificial Neural Network, hopfield algorithm, weather forecasting.
Abstrak — Prakiraan cuaca merupakan penerapan ilmu pengetahuan dan juga teknologi untuk memperkirakan suatu keadaan atmosfer di waktu yang akan mendatang dan terjadi di suatu wilayah tertentu. Dalam penelitian ini prakiraan cuaca di wilayah Kota Blitar menggunakan Jaringan syaraf tiruan algoritma hopfield yang dapat digunakan untuk mengenli pola angka dan huruf dengan menggunakan teknik klasifikasi. Kriteria cuaca yang digunakan dalam metode ini yaitu kecepatan angin, suhu, kelembaban dan tekanan udara. Data pagi, siang dan malam yang dikumpulkan di klasifikasikan dengan output target yang diharapkan yaitu hujan, cerah dan berawan. Dari pengumpulan 21 data yang dilakukan menghasilkan kecocokan dengan cuaca target sebesar akurasi 76% dan error rate sebesar 24%.
Kata Kunci—JST, algoritma hopfield, prakiraan cuaca.
I. Pendahuluan
Iklim melrupakan kumpulan kondisi cuaca yang kelmudian disusun dan dihitung dalam belntuk rata-rata kondisi cuaca dalam kurun waktu telrtelntu. Cuaca dan iklim melrupakan dua kondisi yang hampir sama teltapi ada pelrbeldaan pada kurun waktu. Seldangkan cuaca melrupakan kondisi atmosfelr yang telrjadi pada luasan wilayah selmpit delngan relntang waktu singkat [1]. Kota Blitar melrupakan salah satu daelrah di wilayah Provinsi Jawa Timur yang selcara gelografis telrleltak diujung sellatan Jawa Timur delngan keltinggian 156 dari pelrmukaan air laut. Pada koordinat 112◦ 14 - 112◦ 28 Bujur Timur dan 8◦2 - 8◦20 Lintang Sellatan, melmiliki suhu udara cukup seljuk rata- rata 24◦ C - 34◦ C. Selcara topografi, Kota Blitar belrada di keltinggian 150-200 meltelr dari pelrmukaan laut. Seldangkan rata- rata kelmiringan lahan di Kota Blitar adalah antara 0-2%, kelcuali pada daelrah utara yang kelmiringan lahannya belrkisar
kelmiringan 2 - 15%. Luas lahan sawah di Kelcamatan Sananweltan Kota Blitar yaitu 425 helktar atau selkitar 40% dari total luas baku di Kota Blitar lelbih belsar di bandingkan delngan Kelcamatan Kelpanjeln Kidul dan Kelcamatan Sukoreljo.
Ada belbelrapa pelkelrjaan yang sangat belrgantung pada keladaan cuaca yaitu pelrtanian, kellautan, dan pelnelrbangan. Pelrtanian melnjadi salah satu selktor di wilayah Kelcamatan Sananweltan, Kota Blitar. Para peltani selbagai pelmbudidaya dapat melnyelsuaikan pelrtaniannya delngan melngikuti arah musim.
Telrdapat tiga pelmbagian musim tanam padi, pelrtama yaitu musim tanam utama, dilaksanakan pada saat musim pelnghujan, baik ditanah basah (tanah yang pelngairannya bagus) dan tanah kelring (tadah hujan) yang telrjadi pada bulan Novelmbelr, Delselmbelr, Januari, Felbruari, dan Marelt. Keldua, musim tanam gandu, pellaksanaan musim tanam ini tidak melndapatkaan pelngairan, teltapi melngandalkaan air hujan atau tadah hujan yang telrjadi pada bulan April, Meli, Juni dan Juli. Keltiga, musim tanam kelmarau dilakukan delngan sistelm pelngairan atau irigasinya harus lancar yang telrjadi pada bulan Agustus, Selptelmbelr dan Oktobelr [2].
Belrdasarkan survely dan wawancara yang dilakukan olelh pelnelliti tanggal 12 felbruari 2023 olelh selorang peltani wilayah Sananweltan yang melnghasilkan data bahwasannya selorang peltani telrselbut ingin melnanami tanaman padi teltapi dikarelnakan cuaca yang belrubah-ubah, peltani melnjadi bingung melnelntukan kapan waktu yang telpat turun kel sawah untuk melmulai musim tanam. Pada cuaca elkstrelm saat hujan air yang jatuh mellelbihi kapasitas tanah untuk melnampung air selhingga telrjadi banjir yang melmbuat busuk padi. Belgitupun selbaliknya, jika kelmarau, panas yang sangat telrik dan belrlangsung telrus- melnelrus dalam waktu yang lama melnyelbabkan sawah melngalami kelkelringan selhingga melmbuat tanaman tidak dapat belrtumbuh delngan normal [3]. Hal ini juga belrhubungan elrat delngan keltelrseldiaan pangan, karelna belrpelngaruh pada gagal paneln yang bisa saja diselbabkan olelh kelkelringan maupun banjir dan faktor lainya yang bisa diselbabkan olelh cuaca.
Pelngamatan telrhadap kondisi cuaca melnjadi pelnting untuk melnunjang belrbagai kelgiatan, salah satunya di Kelcamatan Sananweltan Kota Blitar selhingga pelrlu dilakukannya forelcasting [4].
Forelcasting atau pelramalan selring dilakukan dalam belrbagai bidang kelhidupan manusia, selpelrti pelramalan cuaca.
Forelcasting atau pelramalan adalah kelgiatan untuk melmpreldiksi atau melmpelrkirakan hal yang akan telrjadi pada masa melndatang belrdasarkan data-data masa lalu [5].
Salah satu pelnellitian melngelnai pelrkiraan cuaca yaitu melnngunakan meltodel Jaringan Syaraf Tiruan (JST) [6].
Zetroem Vol 06. No 01 Tahun 2024 19
Jaringan Syaraf Tiruan (JST) lelbih cocok digunakan untuk melmodellkan sistelm yang komplelks selpelrti pada bidang pelrtanian [7]. Jaringan Syaraf Tiruan (JST) dapat digunakan untuk melmodellkan hubungan yang komplelks antara input dan output untuk melnelmukan pola-pola pada data [8]. Jaringan Syaraf Tiruan melmiliki 3 karaktelristik utama yaitu arsitelktur jaringan, algoritma jaringan dan fungsi aktivasi [9].
Belrdasarkan hasil pelnellitian yang pelrnah dilakukan pada preldiksi cuaca melnggunakan algoritma Hopfielld di cilacap delngan akurasi hasil preldiksi. Jadi model ini applicable dalam prediksi cuanca [7]. Hal ini seljalan delngan pelnellitian yang mellakukan pelnelrapan jaringan syaraf tiruan meltodel Hopfielld untuk preldiksi cuaca di Kota Palangkaraya, hasilnya pelnelrapan meltodel Hopfielld untuk prakiraan cuaca di Wilayah Palangkaraya delngan data pagi selbanyak 78 yang telrdiri dari data pagi, siang, dan malam. Seltellah data dilakukan pelngujian maka telrlihat bahwa meltodel ini mampu melmbelrikan akurasi selbanyak 64% dan elrror selbelsar 36% [9]. Pada dasarnya jaringan Hopfielld melrupakan jaringan singlel layelr karelna jaringan Hopfielld melmiliki struktur umpan balik selhingga jaringan Hopfielld elfelktif untuk belrpelrilaku selbagai jaringan multilayelr. Salah satu pelnelrapan jaringan syaraf tiruan melnggunakan meltodel Hopfielld adalah pelmodellan prakiraan cuaca. Berdasarkan penjelasaan di atas, terlihat bahwa jaringan syaraf tiruan juga memiliki keterkaitan dalam prakiraan cuaca.
Dalam hal ini, peneliti mengambil judul Penerapan Jaringan Syaraf Tiruan Untuk Prakiraan Cuaca di Wilayah Kota Blitar Menggunakan Metode Algoritma Hopfield”.
II. Metode Penelitian A. Metode
Penellitian ini dilakukan dengan algoritma hopfield untuk menerapkan unsur-unsur cuaca kel ilmu statistika supaya diperoleh prakiraan cuaca sesuai yang dike helndaki [10].
Langkah awal dari procelssing systelm yaitu menentukan fungsi bipolar thershold untuk menentukan input (x), kemudian menentukan fungsi target, fungsi aktivasi, serta fungsi yang digunakan yaitu fungsi bipolar symeltric hard limit. Terakhir adalah mellakukan fungsi bobot untuk inisialisasi bobot.
Penggunaan flowchart dapat menunjukkan alur perolehan data secara kelseluruhan dilakukan oleh sistem. Flowchart melrupakan deskripsi secara grafik dari prosedur yang sudah disusun.
Gambar 1 Flowchart Processing System
dapat dikeltahui bahwa proses pada sistelm flowchart diawali dari processing system dengan menentukan fungsi bipolar threshold untuk menentukan fungsi input (x). Berikutnya yaitu menentukan fungsi target dan fungsi aktivasi, adapun fungsi yang digunakan adalah fungsi bipolar hard limit. Untuk melakukan pelmilihan fungsi bobot maka inisialisasi bobot.
Selanjutnya dilakukan klasifikasi untuk melndapatkan nilai outputnya. Apabila nilai output yang dipelrolelh masih bellum konvelrgeln maka nilai outputnya akan dijadikan nilai input untuk diklasifikasi ulang sampai didapatkan konvelrgeln.
Seltellah nilai output konvelrgeln, akan dilakukan pelrbandingan nilai output delngan nilai targelt.
B. Tahapan Penelitian
Tahapan atau langkah dalam penelitian dalam penerapan jaringan syaraf tiruan untuk prakiraan cuaca di wilayah Kota Blitar menggunakan metode algoritma hopfield yaitu sebagai berikut :
Gambar 2. Tahapan Penelitian
III. Hasil dan Pembahasan A. Hasil
Penerapan jaringan syaraf tiruan untuk prakiraan cuaca dengan metode algoritma hopfield ini bertujuan untuk membantu perhitungan petani dalam memprakiraan cuaca di wilayah kecamatan Sananwetan kota Blitar. Penelitian ini dilakukan dengan mengumpulkan data-data unsur cuaca pada pagi, siang dan malam [11]. Unsur cuaca yaitu kecepatan angin, suhu, kelembapan dan tekanan udara yang ada di Sanan wetan.
Setelah data terkumpul data tersebut di hitung dengan menggunakan algoritma hopfield serta di klasifikasi sehingga menghasilkan output yaitu hujan, cerah dan berawan [12].Setelah data diklasifikasi dengan metode algoritma hopfiled maka didapatkan hasil 5 data konvergen sebagai berikut :
Zetroem Vol 06. No 01 Tahun 2024 20
Tabel 1. Hasil output target dari perhitungan klasifikasi
Waktu Nilai Input
Nilai
Output Konvergen Pagi 1, 1, 0, -1 0, -1, 1, 0
Pagi 1, 1, 0, -1 0, -1, 1, 0 Pagi 1, 1, 0, -1 0, -1, 1, 0 Pagi -1, 1, 0, -1 0, 0, -1, 1 Pagi 1, 1, 0, -1 0, -1, 1, 0
Pagi -1, 1, -1, 1 -1, 1, -1, 1 Konvergen Pagi 1, 1, 0, -1 0, -1, 1, 0
Siang 0, 1, -1, -1 -1, 0, 0, 1 Siang 1, 1, -1, 0 -1, 0, 0, 1 Siang 1, 1, 0, -1 0, -1, 1, 0
Siang 0, 0, 1, -1 1, -1, 1, -1 Konvergen Siang 1, 0, -1, -1 0, -1, 1, 0
Siang 1, 1, 1, -1 1, -1, 1, -1 Konvergen Siang 1, 0, -1, 1 -1, 1, 0, 0
Malam 1, 1, -1, 0 -1, 0, 0, 1 Malam 1, 0, -1, -1 0, -1, 1, 0 Malam 0, 0, -1, 0 -1, 1, 0, 1 Malam 1, 0, -1, -1 0, -1, 1, 0 Malam 1, 1, 0, -1 0, -1, 1, 0
Malam 1, 0, 0, -1 1, -1, 1, -1 Konvergen Malam 1, 0, -1, -1 0, -1, 1, 0
Hasil output target dari perhitungan klasifikasi keseluruhan dari data cuaca pagi, siang dan malam
Tabel.2 kecocokan antara cuaca asli dengan cuaca target
Waktu Nilai Input
Nilai
Output Cuaca Pagi 0, -1, 1, 0 1, -1, 1, -1 Berawan Pagi 0, -1, 1, 0 1, -1, 1, -1 Berawan Pagi 0, -1, 1, 0 1, -1, 1, -1 Berawan Pagi 0, 0, -1, 1 -1, 1, -1, 1 Hujan Pagi 0, -1, 1, 0 1, -1, 1, -1 Berawan Pagi -1, 1, -1, -1 -1, 1, -1, 1 Hujan Pagi 0, -1, 1, 0 1, -1, 1, -1 Berawan Siang -1, 0, 0, 1 -1, 1, -1, 1 Hujan Siang -1, 0, 0, 1 -1, 1, -1, 1 Hujan Siang 0, -1, 1, 0 1, -1, 1, -1 Berawan Siang 1, -1, 1, -1 1, -1, 1, -1 Berawan Siang 0, -1, 1, 0 1, -1, 1, -1 Berawan Siang 1, -1, 1, -1 1, -1, 1, -1 Berawan Siang -1, 1, 0, 0 -1, 1, -1, 1 Hujan Malam -1, 0, 0, 1 -1, 1, -1, 1 Hujan Malam 0, -1, 1, 0 1, -1, 1, -1 Berawan Malam -1, 1, 0, 1 -1, 1, -1, 1 Hujan Malam 0, -1, 1, 0 1, -1, 1, -1 Berawan Malam 0, -1, 1, 0 1, -1, 1, -1 Berawan Malam 1, -1, 1, -1 1, -1, 1, -1 Berawan Malam 0, -1, 1, 0 1, -1, 1, -1 Berawan
Data yang telah di ketahui kemudian di bandingkan untuk mengetahui kecocokan dengan antara cuaca asli dengan cuaca target yang ada di web msn.com. Berikut tabel hasilnya :
Tabel.3 kecocokan antara cuaca asli dengan cuaca dari MSN
Waktu Nilai
Output Cuaca Cuaca Dari
MSN Keterangan
Pagi 1, -1, 1, -1 Berawan Berawan Benar
Pagi 1, -1, 1, -1 Berawan Berawan Benar Pagi 1, -1, 1, -1 Berawan Berawan Benar
Pagi -1, 1, -1, 1 Hujan Cerah Salah
Pagi 1, -1, 1, -1 Berawan Berawan Benar
Pagi -1, 1, -1, 1 Hujan Berawan Salah
Pagi 1, -1, 1, -1 Berawan Cerah Salah
Siang -1, 1, -1, 1 Hujan Cerah Salah
Siang -1, 1, -1, 1 Hujan Hujan Benar
Siang 1, -1, 1, -1 Berawan Berawan Benar Siang 1, -1, 1, -1 Berawan Berawan Benar Siang 1, -1, 1, -1 Berawan Berawan Benar Siang 1, -1, 1, -1 Berawan Berawan Benar
Siang -1, 1, -1, 1 Hujan Hujan Benar
Malam -1, 1, -1, 1 Hujan Berawan Salah
Malam 1, -1, 1, -1 Berawan Berawan Benar
Malam -1, 1, -1, 1 Hujan Hujan Benar
Malam 1, -1, 1, -1 Berawan Berawan Benar Malam 1, -1, 1, -1 Berawan Berawan Benar Malam 1, -1, 1, -1 Berawan Berawan Benar Malam 1, -1, 1, -1 Berawan Berawan Benar
B. Pembahasan
Algoritma hopfield merupakan salah satu dari banyaknya algoritma dalam jaringan syaraf tiruan dengan model sistem jaringan syaraf tiruan yang dapat digunakan untuk mengenali pola huruf atau angka. Model jaringan saraf tiruan hopfield ini menggunakan teknik klasifikasi, fungsi energi (bobot simetris berdiagonal utama nol (0) untuk mendapatkan output agar mendekati atau sama dengan inputnya [13]. Jaringan syaraf tiruan hopfield merupakan jaringan yang terhubung penuh dimana bahwa neuron atau unit akan terhubung dengan neuron atau unit lainya dan jaringan syaraf tiruan jenis ini tidak akan memiliki hubungan dengan unit atau neuron nya sendiri [14].
Dalam penelitian jaringan syaraf tiruan hopfield ini, terdapat 3 data cuaca pagi, siang dan malam [15]. Dengan kriteria nya yaitu kecepatan angin, suhu, kelembaban dan tekanan udara. Dengan data yang dikumpulkan selama 7 hari menghasilkan sebanyak 21 data kriteria cuaca. Data pagi menghasilkan data sebanyak 5 hari dengan output berawan yaitu pada tanggal 01, 02, 03, 05 dan 07 juni. Sedangkan untuk 2 data lainya menghasilkan output hujan yaitu pada tanggal 04 dan 06 juni 2023. Pada data pagi juga menghasilkan 1 data konvergen pada tanggal 06 Juni 2023. Data siang menghasilkan output berawan sebanyak 4 data pada tanggal 03 - 06 juni 2023.
Sedangkan 3 data lainya menghasilkan output hujan pada tanggal 01, 02 dan 07 juni 2023. pada data malam menghasilkan output berawan sebanyak 5 data yaitu pada tanggal 02, 04, 05, 06 dan 07 juni 2023. Sedangka 2 data lainya menghasilkan output hujan pada tanggal 01 dan 03 juni 2023. Hasil kecocokan atau akurasi yaitu 76% perbandingan hasil cuaca dengan cuaca target 16 dibanding dengan banyak data 21. Sedangkan untuk
Zetroem Vol 06. No 01 Tahun 2024 21
error rate sebesar 24% dari perbandingan hasil cuaca target 5 dengan banyak data 21.
IV. Kesimpulan
Setelah dilakukan tahap penelitian ini, maka dapat diperoleh kesimpulan sebagai berikut :
1. Jaringan syaraf tiruan hopfield menggunakan kriteria cuaca yaitu Kecepatan angin, suhu, kelembaban, dan tekanan udara. Data yang terdiri dari data cuaca pagi, data cuaca siang dan data cuaca malam. Untuk mengukur kelembababan dan suhu menggunakan alat hygrometer.
Untuk mengukur kecepatan angin dan tekanan udara menggunakan aplikasi wind speed dan aplikasi barometer.
Terdapat tiga output jaringan yaitu hujan, cerah dan berawan.
2. Pada perhitungan prakiraan cuaca menggunakan algoritma hopfield yang dilakukan di Kota Blitar ini menghasilkan kecocokan akurasi sebesar 76% dan error rate sebesar 26%
dengan data yang dihitung sebanyak 7 hari data cuaca pagi, siang dan malam. Penelitian ini menghasilkan 4 perhitungan klasifikasi yang konvergen. Data perhitungan dengan output berawan yang dihasilkan yaitu sebanyak 14 dan data perhitungan dengan output hujan sebanyak 7 data.
V. Daftar Pustaka
[1] Y. Iek, Sangkertadi, and I. L. Moniaga, “Kepadatan Bangunan Dan Karakteristik Iklim Mikro Kecamatan Wenang Kota Manado,” Sabua, vol. 6, no. 3, pp. 286–292, 2014.
[2] R. Hood, “Global Warming,” A Companion to Appl.
Ethics, vol. 3, no. 2, pp. 674–684, 2007, doi:
10.1002/9780470996621.ch50.
[3] I. Bayu Priyanta and I. Astawa, “Penerapan Jaringan Syaraf Tiruan Dalam Prakiraan Hujan Harian Di Daerah Kuta Selatan Provinsi Bali,” J. Ilmu Komput., vol. 7, no.
1, pp. 7–11, 2014.
[4] Miftahuddin, “Analisis Unsur-unsur Cuaca dan Iklim Melalui Uji Mann-Kendall Multivariat,” J. Mat. Stat. dan Komputasi, vol. 13, no. 1, pp. 26–38, 2016.
[5] A. Lusiana and P. Yuliarty, “PENERAPAN METODE
PERAMALAN (FORECASTING) PADA
PERMINTAAN ATAP di PT X,” Ind. Inov. J. Tek. Ind., vol. 10, no. 1, pp. 11–20, 2020, doi:
10.36040/industri.v10i1.2530.
[6] M. R. Kurniawan, “Perancangan Mobile Predictor Cuaca Maritim Menggunakan Metode Hybrid Logika Fuzzy Tipe 2-Jaringan Syaraf Tiruan dengan Optimasi Algoritma Differential Evolution Designing The Cluster of Indonesian Preacher Based On The Speech Using K- Nearest Neighbor View project,” no. March, 2018, doi:
10.13140/RG.2.2.27518.84803.
[7] S. Ernawati, “Aplikasi Hopfield Neural Network Untuk Prakiraan Cuaca,” J. Meteorol. dan Geofis., vol. 10, no. 2, pp. 151–175, 2015, doi: 10.31172/jmg.v10i2.44.
[8] A. S. Rachman, I. Cholissodin, and M. A. Fauzi,
“Peramalan Produksi Gula Menggunakan Metode Jaringan Syaraf Tiruan,” Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 4, pp. 1683–1689, 2018.
[9] D. I. Kota and P. Raya, “JST (Bahasa Indonesia),” pp. 52–
59, 2020.
[10] M. C. Azmi and S. Sinurat, “Mendiagnosa Penyakit Mata Menggunakan Jaringan Saraf Tiruan dengan Menggunakan Metode Backpropagation dan Hopfield,” J.
Ris. Komputer), vol. 7, no. 6, pp. 2407–389, 2020, doi:
10.30865/jurikom.v7i6.2592.
[11] C. Umam and L. B. Handoko, “Convolutional Neural Network (CNN) Untuk Identifkasi Karakter Hiragana,”
Pros. Semin. Nas. Lppm Ump, vol. 0, no. 0, pp. 527–533,
2020, [Online]. Available:
https://semnaslppm.ump.ac.id/index.php/semnaslppm/art icle/view/199.
[12] D. Prasetyawan and R. Gatra, “Model Convolutional Neural Network untuk Mengukur Kepuasan Pelanggan Berdasarkan Ekspresi Wajah,” J. Tek. Inform. dan Sist.
Inf., vol. 8, no. 3, pp. 661–673, 2022, doi:
10.28932/jutisi.v8i3.5493.
[13] L. Handayani and M. Adri, “Penerapan JST (Backpropagation) untuk Prediksi Curah Hujan (Studi Kasus : Kota Pekanbaru),” Semin. Nas. Teknol. Informasi, Komun. dan Ind. 7, no. November, pp. 238–247, 2015.
[14] Y. D. Lestari, “Jaringan Syaraf Tiruan Untuk Prediksi Penjualan Jamur Menggunakan Algoritma Backropagation,” J. ISD, vol. 2, no. 1, pp. 2477–863, 2017.
[15] M. Alfandi and A. M. H. Sihite, “Penerapan Metode CNN-LSTM Dalam Memprediksi Hujan Pada Wilayah Medan,” Nas. Teknol. Inf. dan Komputer), vol. 6, no. 1, pp. 490–499, 2022, doi: 10.30865/komik.v6i1.5713.
